📊

Histogram

Sinks
Ejecutar el ejemplo en vivo Gratis · sin registro · funciona en tu navegador

El bloque Histogram acumula muestras de señales continuas o discretas a lo largo de la simulación y representa su densidad de probabilidad empírica o distribución de frecuencias en forma de gráfico de barras interactivo. Los datos entrantes se clasifican en intervalos discretos (bins) que abarcan un rango definido por el usuario o detectado automáticamente. Constituye una herramienta analítica imprescindible para la evaluación de procesos estocásticos, caracterización del ruido de sensores, análisis de tolerancia en simulaciones de Monte Carlo y comprobación de propiedades estadísticas gaussianas o uniformes.

Modelo Matemático

Dada una secuencia de NN muestras escalares {u1,u2,…,uN}\{u_1, u_2, \dots, u_N\} registradas en el intervalo de simulación [0,t][0, t], el rango [xmin⁡,xmax⁡][x_{\min}, x_{\max}] se divide en BB intervalos contiguos:

Ij=[xj,xj+1),j=0,1,…,B−1I_j = [x_j, x_{j+1}), \quad j = 0, 1, \dots, B-1

donde el ancho de intervalo ww se determina según binMode:

w={xmax⁡−xmin⁡B,binMode=countbinWidth,binMode=width2⋅IQR⁡(u)⋅N−1/3,binMode=auto (Freedman-Diaconis)w = \begin{cases} \frac{x_{\max} - x_{\min}}{B}, & \text{binMode} = \text{count} \\ \text{binWidth}, & \text{binMode} = \text{width} \\ 2 \cdot \operatorname{IQR}(u) \cdot N^{-1/3}, & \text{binMode} = \text{auto (Freedman-Diaconis)} \end{cases}

El conteo de frecuencias cjc_j para cada clase IjI_j se evalúa como:

cj=∑k=1N1Ij(uk)c_j = \sum_{k=1}^N \mathbf{1}_{I_j}(u_k)

donde 1Ij(u)\mathbf{1}_{I_j}(u) es la función indicatriz. La estimación normalizada de densidad de probabilidad empírica f^(x)\hat{f}(x) para el intervalo jj es:

f^(x)=cjN⋅wpara x∈Ij\hat{f}(x) = \frac{c_j}{N \cdot w} \quad \text{para } x \in I_j

Cuando rangeMode = "auto", xmin⁡x_{\min} y xmax⁡x_{\max} se expanden dinámicamente para abarcar todas las muestras observadas. Cuando rangeMode = "manual", las muestras fuera de [vmin⁡,vmax⁡][v_{\min}, v_{\max}] se contabilizan en los intervalos de los extremos.

Entradas y Salidas

Direction ID Label Tipo Status
→ In in Input array Required

Parámetros

Parámetros Label Tipo Por defecto Descripción
rangeMode Range select auto Auto fits the axis to the data; Manual uses the Min/Max below.
minValue Min Value number -5 Lower bound (Manual range only).
maxValue Max Value number 5 Upper bound (Manual range only).
binMode Binning select count How bins are sized: a fixed number, a fixed step width, or auto.
bins Bin count number 20 Number of bins (Bin count mode).
binWidth Bin width number 1 Width/step of each bin (Fixed width mode).

Ejemplos de Uso

Ejemplo 1: Caracterización del ruido en acelerómetro de unidad inercial (IMU)

Validación del ruido de medida en un sensor acelerométrico en condiciones de reposo. Conectando la señal a un bloque Histogram con rangeMode = "auto", binMode = "count" y bins = 30. Tras una simulación de 10 segundos, la campana de Gauss resultante permite verificar la normalidad estadística, cuantificar la desviación estándar σ\sigma y detectar sesgos de cero.

Ejemplo 2: Análisis de rendimiento por tolerancias en simulación de Monte Carlo

Evaluación de la dispersión del tiempo de respuesta ante variaciones estadísticas de componentes. Inyectando tolerancias aleatorias mediante un bloque RandomNumber, las métricas de respuesta se dirigen a un Histogram con rangeMode = "manual", minValue = 0.0, maxValue = 2.0 s y binWidth = 0.1 s. El histograma confirma de inmediato si el 99%99\% de las piezas cumple las especificaciones de diseño.

Observaciones y Buenas Prácticas

  • Instrumento acumulativo: A diferencia de los osciloscopios convencionales, el histograma acumula todas las muestras desde el instante inicial de la simulación. Al prolongar el tiempo de cálculo, el histograma converge hacia la verdadera función de densidad de probabilidad.
  • Tratamiento de valores extremos: En modo manual, los valores que exceden [vmin⁡,vmax⁡][v_{\min}, v_{\max}] se suman a los intervalos de los extremos izquierdo y derecho en lugar de descartarse.
  • Particionamiento óptimo de Freedman-Diaconis: La selección auto equilibra la resolución sin suavizar en exceso distribuciones densas ni amplificar ruido en muestras escasas.
  • Cálculo de alta velocidad: Implementado eficientemente mediante indexación entera directa (j=⌊(u−xmin⁡)/w⌋j = \lfloor (u - x_{\min}) / w \rfloor) en WebAssembly sin sobrecarga sobre el resolvedor.

Bloques Relacionados

  • ScatterPlot: Analiza la distribución estadística conjunta entre dos señales independientes.
  • RandomNumber: Genera números pseudoaleatorios con distribución uniforme o gaussiana.
  • uPlotDisplay: Muestra formas de onda continuas en función del tiempo.
  • NumericDisplay: Indicador digital numérico LCD en tiempo real.